Hypothesenlernen in automatisierten Experimenten: Anwendung auf kombinatorische Materialbibliotheken

Maschinelles Lernen wird zunehmend zu einem integralen Bestandteil der experimentellen physikalischen Entdeckung durch automatisierte und hochdurchsatzfähige Synthese sowie aktive Experimente in Streuung und Elektronen-/Sondenmikroskopie. Dies erfordert wiederum die Entwicklung aktiver Lernmethoden, die in der Lage sind, relevante Parameterraum mit der kleinsten Anzahl von Schritten zu erkunden. Hier wird ein aktiver Lernansatz basierend auf der gemeinsamen Navigation von Hypothesen- und Experimentierbereichen vorgestellt. Dies wird realisiert durch die Kombination strukturierter Gauß-Prozesse, die probabilistische Modelle des möglichen Verhaltens des Systems (Hypothesen) enthalten, mit der Verfeinerung von Reinforcement-Learning-Politiken (Entdeckung). Dieser Ansatz ähnelt der klassischen von Menschen gesteuerten physikalischen Entdeckung, bei der mehrere alternative Hypothesen, die über Modelle mit verstellbaren Parametern realisiert werden, während eines Experiments getestet werden. Dieser Ansatz wird demonstriert, um konzentrationsinduzierte Phasenübergänge in kombinatorischen Bibliotheken von Sm-dotiertem BiFeO3 mithilfe von Piezoresponse-Kraftmikroskopie zu erforschen, kann jedoch leicht auf höherdimensionale Parameterräume und komplexere physikalische Probleme ausgeweitet werden, sobald der experimentelle Arbeitsablauf und die Hypothesenerstellung verfügbar sind.